Yapay zekâ projeleri genellikle aynı sahneyle başlar: etkileyici bir demo, hızlı bir pilot, yönetim katına sunulan umut verici sonuçlar. Sonra gerçek ortama geçilir. Ve bir şeyler ters gider.
Çıktılar tutarsız. Model bazen doğru, bazen saçma sonuçlar üretiyor. Ekip "modeli daha iyi eğitmemiz lazım" diyor. Danışman "prompt'ları iyileştirelim" diyor. Bütçe büyüyor, sonuç gelmiyor.
Sorun çoğunlukla modelde değildir. Verinin kendisindedir.
Yapay Zekâ Büyü Değil, Ayna
Yapay zekâ hakkındaki en yaygın yanılgı şu: zekice bir araç, ham veriyi alır ve anlamlı sonuçlara dönüştürür. Yeterince güçlü bir model, dağınık veriyi düzeltir.
Hayır.
Model size ne öğretirseniz onu bilir. Ona neyin ne olduğunu, hangi müşterinin hangi segmentte durduğunu, hangi ürünün hangi kategoriye girdiğini, hangi satışın gerçek hangisinin iade olduğunu — bunları önceden tanımlamazsanız model tahmin eder. Ve tahmin, çoğunlukla yanlış olur.
Dağınık veriyle beslenen model dağınık sonuç üretir. Tutarsız tanımlarla kurulan veri tabanından tutarlı analiz çıkmaz. Sınıflanmamış ürün kataloğunu işleyen bir öneri motoru, müşteriye alakasız sonuçlar gösterir. Çöp girdi, çöp çıktı — bu kural yapay zekâ için de geçerli.
Kurumların Gözden Kaçırdığı Şey
Bir kurumun verisine bakıldığında genellikle şu tablo çıkar: satış verisi bir sistemde, müşteri verisi başka bir sistemde, stok verisi ayrı bir platformda. Üç sistem, üç farklı "müşteri" tanımı. "Aktif müşteri" nedir? Hangi sistem neyi aktif sayıyor? Ciro hesabına iade dahil mi değil mi? Farklı raporlar farklı cevaplar veriyor.
Bu ortamda yapay zekâya ne sorarsanız sorun, model tutarlı bir zemine basamaz. Bütünlüklü bir hikâye göremediği için ya genelleştirir ya da hata yapar.
Sorun model seçiminden önce gelir: verinin tanımlı olup olmadığı, sistemlerin birbiriyle konuşup konuşmadığı, metriklerin tutarlı sınıflanıp sınıflanmadığı.
Kurumsal yapay zekâ yatırımlarının yalnızca yüzde 20'si anlamlı iş sonucuna dönüşüyor.
Asıl Soru "Hangi Model?" Değil
Kurumlar yapay zekâ yatırımına başlamadan önce kendilerine şu soruları sormak zorunda:
- Verilerimiz tanımlı mı? — "Müşteri", "satış", "ürün" gibi temel kavramlar tüm sistemlerde aynı anlama mı geliyor?
- Verilerimiz temiz mi? — Tekrarlı kayıtlar, eksik alanlar, tutarsız girişler temizlendi mi?
- Verilerimiz sınıflı mı? — Ürünler, müşteriler, işlemler anlamlı kategorilere ayrıldı mı?
- Verilerimiz erişilebilir mi? — Doğru veri, doğru anda, doğru sisteme akıyor mu?
Bu sorulara güvenli bir "evet" yoksa, yapay zekâ yatırımı erken. En iyi model bile bu eksikliği kapatamaz — yalnızca görünür kılar.
Zemin Hazır Değilse Bina Tutmaz
Veri ambarı, raporlama mimarisi, sınıflandırma mantığı — bunlar onlarca yıldır var olan kavramlar. Sektör yapay zekâya odaklanırken bu kavramlar arka plana düştü. Oysa tam tersi olması gerekirdi.
Yapay zekâ çağında veri altyapısının önemi arttı, azalmadı. Çünkü model ne kadar güçlü olursa olsun, beslendiği verinin kalitesiyle sınırlı. Temiz, tutarlı, iyi sınıflanmış veri — yapay zekânın üzerine inşa edildiği zemin.
Zemin sağlamsa model çalışır. Zemin çürükse model yanıltır.